la fonction d’autocorrélation est bornée :

|ρ(h)| ≤ Crh

En revanche, pour un processus stationnaire à mémoire longue, où C > 0 et d < 1/2,

la fonction d’autocorrélation satisfait la condition :

ρ(h) ∼ C.h2d−1 lorsque h → ∞ (2.43)

Comme l’a noté Peters (1994)[284], une valeur de d dans R est liée au concept de
dimension fractale D développé par Mandelbrot (1983)[252], telle que : D = 1.5 − d. Le
paramètre d peut également s’exprimer en fonction de l’exposant de Hurst (1951)[196] :
d = H − 0.5. Il est alors possible de distinguer, selon la valeur de d, plusieurs cas de
figure :

— Si d=0 (ou D=1.5 et H=0.5) : le processus ne présente pas de mémoire longue, mais
seulement une mémoire courte. Le processus ARFIMA(p,d,q) se réduit dans ce cas
au processus ARMA(p,q) ;
— Si 0<d<0.5 (ou 1<D< 1.5 et 0.5<H< 1) le processus est persistant et présente une
mémoire longue. Les autocorrélations sont positives et décroissent hyperbolique-
ment vers 0 à mesure que le retard augmente, et la série ρ(h) n’est pas convergente
P
|ρ(h)| = ∞ ;
— Si d=0.5 (ou D=1 et H=1) : le processus peut être considéré comme une marche
aléatoire, et il est par conséquent imprévisible ;
— Si d<0 (ou D>1.5 et H<0.5) : le processus est anti-persistant car les autocorré-
lations diminuent de manière hyperbolique vers 0. Il s’agit donc d’une mémoire
P
intermédiaire, la série ρ(h) est absolument convergente |ρ(h)| < ∞.

Le processus ARFIMA(p,d,q) proposé par Granger et Joyeux (1980)[159] est exprimé

ainsi :

φp (B)(1 − B)d yt = θq (B)εt (2.44)

Ou encore comme :

p p
! !
X d
X
1− ρi B i yt (1 − B) = 1+ θj B j εt (2.45)
i=1 j=1

où (1 − B)d permet la différenciation fractionnaire de yt , ρi et θj sont, respectivement,

130
les paramètres estimés de AR(p) et MA(q). B est l’opérateur de retard tel que :

B p yt = yt−p et B q εt = εt−q

L’application du modèle ARFIMA exige l’estimation du paramètre d. Plusieurs mé-

thodes sont possibles (voir Lardic et mignon(1996)[221]). Dans le cadre de notre étude,
nous utilisons la procédure MPL (modified profile likelihood ) du maximum de vraisem-
blance (voir Cox and Reid (1993)[106] pour plus de détail sur cette technique).

Dans le cadre de notre analyse, nous allons estimer les modèles ARFIMA pour les 5
variables de la liquidité, plus la variable différenciée DADV. Les résultats des estimations
des modèles ARFIMA(p,d,q) sont données aux tableaux 2.9, 2.10 et 2.11, et sont résumés
en 2.6.

Roll CS Amihud HL ADV LIX

ARFIMA p 4 9 3 6 8 8
d 0.1713 0.4331 0.2990 0.4833 0.3902 0.4572
q 0 0 0 0 0 0

Table 2.6 – Les modèles ARFIMA retenus pour chaque mesure de liquidité.

Figure 2.9 – Les estimations ARFIMA(9, 0.4331, 0) pour CS, et ARFIMA(4, 0.1713, 0) pour
Roll.

D’un point de vue informationnel, si la liquidité du marché constatée à travers la

fourchette bid ask par exemple, reflétait toute l’information disponible sur la liquidité, il
serait alors impossible de prévoir son niveau à venir à partir des informations disponibles.
L’implication d’une telle hypothèse est que la liquidité est régie par un processus de type

131
Figure 2.10 – Les estimations ARFIMA(3, 0.2989, 0) pour Amihud, et ARFIMA(6, 0.4833,
0) pour HL.

Figure 2.11 – Les estimations ARFIMA(8, 0.3902, 0) pour ADV, et ARFIMA(8, 0.4571, 0)
pour LIX.

‘marche aléatoire’ où seules des prévisions naïves sont envisagées.

En revanche, si la liquidité a une structure de dépendance de long terme, les séries de la
liquidité présentent des autocorrélations significatives, et la connaissance du passé fournit
alors de l’information pour prévoir le niveau de liquidité futur.

D’après les résultats des estimations ARFIMA, tous les paramètres de différenciation
fractionnaire d sont statistiquement significatifs et sont tous strictement compris entre 0
et 0.5, ce qui est conforme à l’hypothèse de mémoire longue persistante de la liquidité
et aux résultats obtenus à partir de l’exposant de Hurst. L’efficience de l’information en
termes de liquidité est donc non vérifiée. L’asymétrie de l’information sur l’état de la liqui-
dité est perceptible si l’on considère ce qu’on a discuté en chapitre 1 sur la grande variété
d’investisseurs qui opèrent sur les marchés financiers et qui ont des attentes hétérogènes
en termes de liquidité.

132
 Outre la persistance de la liquidité, la validité des modèles retenus nous enseigne qu’un
certain degré de prévisibilité des frictions du marché est possible, et que des points de
rupture pourraient alors être détectés. Nous pensons par conséquent que la connaissance
d’une information particulière sur la liquidité permettrait de tirer un avantage en termes
de réduction des coûts de transaction à travers une stratégie de ‘meilleure exécution’.

En conclusion, nous avons vu que la liquidité présente une caractéristique de dépen-

dance de long terme, et de court terme. Un choc de la liquidité ne s’estompe donc pas
instantanément, et les investisseurs continueront à subir les conséquences sur une période
plus ou moins longue. Cependant, la perception de ce choc de liquidité par les investis-
seurs n’est pas toujours facile. Dans certains cas, lorsque la liquidité du marché diminue,
le marché peut ne pas intégrer immédiatement et entièrement cette illiquidité. Comme
nous l’avons vu au chapitre 1, Il est plausible que l’illiquidité puisse entraver le processus
de formation des prix. Cette hypothèse de sous réaction des prix (ou des rendements)
suite à un choc de liquidité est étudiée dans les deux sections suivantes.

133
3 L’étude de la relation rendements-liquidité

3.1 Revue de littérature et cadre théorique

Comme nous l’avons vu, la présence du risque de liquidité a des implications ma-
jeures sur le fonctionnement des marchés financiers. De ce fait, une partie des études sur
la microstructure des marchés financiers s’est intéressée à l’étude de la relation entre la
rentabilité et la liquidité. À ce propos, Roll (1984)[291] et Amihud et Mendelson (1986,
1991)[13][14] étaient les premiers à étudier la relation entre les actifs à faible liquidité et
leur rendement. Brennan et al. (1996)[65] ont utilisé la fourchette bid-ask comme mesure
de liquidité pour établir la présence d’une relation négative significative entre les rende-
ments moyens des actions et la liquidité.
Amihud (2002)[12] et Pastor et Stambaugh (2003)[279] affirment que les actions ayant une
liquidité plus volatile ont des rendements attendus plus faibles. Chan et Faff (2003)[83]
examinent le rôle de la liquidité dans la valorisation d’un actif.
Amihud et al.(2006)[17] élaborent une revue de littérature complète sur la relation entre
la liquidité et le prix des actifs. Ils montrent empiriquement que la liquidité a des ef-
fets de grande envergure sur les marchés financiers. Lesmond (2005)[232] emploie les cinq
mesures de liquidité les plus couramment utilisées pour tester 31 marchés émergents. Il
note la présence d’une prime de liquidité sur plusieurs s marchés. Bekaert et al.(2007)[40]
constatent que la liquidité est un facteur important dans l’évaluation des actifs négociés
sur les marchés internationaux. Chiang et Zheng (2015)[88], en utilisant des données men-
suelles pour la période 1990- 2009 sur les marchés du G7, démontrent que les rendements
boursiers sont positivement corrélés avec l’illiquidité du marché.

Cette association entre les rendements et la liquidité a été vérifiée aussi bien pour
différentes classes d’actifs. A titre d’exemple, les études de Czauderna et al. (2015)[108],
sur le marché allemand, pour les ETF (exchange traded funds), de Smimou (2017)[304]
sur le marché de l’or, de Zheng, et al. (2017)[330] sur le marché pétrolier en chine, de Dinh
(2017)Dinh [126] sur les transactions à hautes fréquences. Spiegel (2008)[307] établit une
comparaison entre différents marchés en termes de liquidité. De manière générale, il a été
constaté que le risque de liquidité affecte les rendements des actifs. Cependant, leirvik et
al(2017)[231] constatent que la liquidité a un effet négligeable sur les rendements sur le
marché Norvégien.

La liquidité globale (ou mondiale) et sa dynamique ont également suscité une atten-
tion accrue ces dernières années auprès des spécialistes. D’un point de vue global, une
distinction essentielle est à faire entre la liquidité officielle - créée par le secteur public -

134
et la liquidité privée (crée par le secteur privé). Les chercheurs ont souvent recours à des
modèles VAR ou VECM pour traiter cette dimension de la liquidité. Parmi les contribu-
tions importantes figurent Rüffer et Stracca (2006)[296], Sousa et Zaghini (2008)[306] et
Giese et Tuxen (2007)[150]. Ces études révèlent une réaction significative des prix à un
choc de liquidité globale. En revanche, la relation entre la liquidité globale et les prix des
actifs est mitigée. Par exemple, dans l’étude de Rüffer et Stracca (2006)[296], un indice
composite du prix des actifs incorporant les prix de l’immobilier et des actions ne montre
pas de réaction significative à un choc de liquidité globale. Giese et Tuxen (2007)[150]
ne trouvent pas que le prix des actions augmente à mesure que la liquidité augmente ;
cependant, ils ne réfutent pas de manière empirique des relations de cointégration qui
impliquent un impact positif de la liquidité mondiale sur les prix de l’immobilier.

L’objectif principal de cette section est d’analyser la relation qui pourrait exister entre
la liquidité et les rendements pour 37 actifs de l’indice français CAC40 sur la période entre
février 2007 et octobre 2017. Nous appliquons régression sur données de panel. La renta-
bilité des actifs est la variable endogène. Les deux variables exogènes sont : la rentabilité
du marché, et la liquidité des actifs. Comme le souligne la plupart des études, les résultats
sont souvent sensibles aux mesures de liquidité utilisés. C’est la raison pour laquelle nous
allons utiliser pour chaque régression trois mesures de liquidité.

Le modèle que nous allons estimer est :

ri,t = αij + β1i

j j
Rmt + β2i LIQi,t + εi,t (2.46)

Où nous avons i= 1. . . n actifs, et t= 1. . . T périodes. j={Roll, HL, CS} sont les me-
sures de la liquidité. Rmt est le rendement de l’indice 40.

Les rendements logarithmiques sont calculés à partir des cours journaliers ajustés :
pt
rt = ln( pt−1 ). Nous estimons les paramètres β1i et β2i , en prenant à chaque fois une des
trois mesures de liquidité qui vont représenter la variable LIQ.

En se basant sur le test de Hausman, on utilise ce modèle dans lequel les coefficients
des différentes variables explicatives sont identiques pour tous les actifs du panel (β1i =
β1 et β2i = β2 ). Quant aux constantes individuelles αi , elles diffèrent selon les actifs.
Les innovations εi,t sont supposées être i.i.d, de moyenne nulle, de variance égale σ , et
elles sont supposées non corrélées que ce soit dans la dimension temporelle ou dans la

135
dimension individuelle. Le modèle à estimer est alors :

ri,t = αij + β1j Rmt + β2j LIQi,t + εi,t (2.47)

3.2 Résultats de l’ensemble de l’échantillon

Pour les données, nous avons un panel cylindré avec n=37 actifs et T=2749 obser-
vations journalières (11 ans), soit au total 101713 observations. Le tableau rapporte les
moyennes, les écarts types, les valeurs minimales et maximales, ainsi que la variabilité
globale intra et inter groupes (ou actifs), pour nos trois mesures de la liquidité et pour les
rendements du marché et des actions.

Variable Moyenne Écart-type Min Max Observations

HL Total .0251 .0163 .00001 .2180 N = 101713
Inter-groupes .0053 .0150 .0365 n = 37
Intra-groupe .0154 -.0114 .2160 T = 2749
Roll Total .0137 .0096 0.00001 .1272 N = 101713
Inter-groupes .0028 .0097 .0199 n = 37
Intra-groupes .0092 -.0061 .1210 T = 2749
CS Total .0162 .0197 9.45e-08 .2296 N = 101713
Inter-groupes .00573 .0080 .0332 n = 37
Intra-groupes .0189 -.0170 .2308 T = 2749
Rm Total -7.97e-06 .0148 -.0947 .1059 N = 101713
Ri Total .00022 .02120 -.2396 .2356 N = 101713
Inter-groupes .00029 -.00039 .00011 n = 37
Intra-groupes .02120 -.2392 .2356 T = 2749

Table 2.7 – Statistiques descriptives des variables utilisées.

On remarque que les variations au sein d’un groupe (ou les variations individuelles d’un
actif) constituent la plus grande partie de la variation globale, par rapport aux variations
entre groupes (ou aux variations causées par des interactions entre différents actifs). La
moyenne est calculée en prenant en compte tous les 37 actifs.

Les résultats de l’estimation des rendements des actifs à l’aide du modèle défini dans
2.47 sont donnés dans le tableau 2.8. Au regard des résultats obtenus, on retient que le
coefficient relatif à la variable illiquidité est significatif peu importe la mesure de liquidité
utilisée. L’impact significatif de la liquidité sur les actions du CAC 40 nous confirme les
résultats observés sur le marché Américain dans Amihud (2002) [12] et dans Goyenko et
al.2006[156]), sur le marché Australien dans Marshall et Young (2003)[257], ainsi que sur
le marché Japonais dans Chang et al. (2010)[86].

136
 L’impact de la liquidité sur les rendements est par ailleurs négatif et le coefficient re-
latif à la mesure de Roll est le plus élevé en valeur absolue (-0.0423). Une large fourchette
bid-ask traduit souvent des coûts de transactions élevés qui se reflètent directement sur le
rendement journalier de l’actif. L’impact de la liquidité de l’actif sur son rendement reste
tout de même moins important, en comparaison avec le risque de marché.

Régression effets fixes observations/groupe= 2749

Nbr observations= 101713 Nombre des groupes = 37
j= Roll Coefficient Ecart-type t stat P|t| [ 95% Intervalle]
Constante .0008092 .000231 3.50 0.001 .000340 .001278
Illiq -.0423071 .0165289 -2.56 0.015 -.075862 -.008752
Rm .9726955 .0032866 295.96 0.000 .966254 .979137
j= HL Coefficient Ecart-type t stat P|t| [ 95% Intervalle]
Constante .0009984 .0001987 5.03 0.000 .0005951 .0014018
Illiq -.0306293 .0077423 -3.26 0.000 -.0463469 -.0149117
Rm .972945 0.003281 395.00 0.000 .9664808 .9794093
J= CS Coefficient Ecart-type t stat P|t| [ 95% Intervalle]
Constante .0005025 .0001424 3.53 0.001 .0002134 .0007915
Illiq -.0168229 .0082854 -2.03 0.050 -.0336433 -2.59e06
Rm .9734112 .0032865 396.18 0.000 .9669696 .9798527

Table 2.8 – Régression panel entre d’une part les rendements des actifs et d’autre part les
rendements du marché et la liquidité des actifs.

3.3 Résultats par conjoncture économique

Dans un deuxième temps, nous vérifions si l’impact de la liquidité sur les rendements
est le même selon le cycle économique. Nous sélectionnons d’une part, les observations
pour lesquelles le marché est en phase d’expansion (panel A), et d’autre part, les observa-
tions pour lesquelles le marché est en phase de récession (qui inclut la crise des subprimes
de 2008, et la crise de la dette européenne de 2010-2011) (panel B). Les coefficients pour
les périodes d’expansion et les périodes de contraction sont estimés séparément, et sont
donnés respectivement dans les tableaux 2.9 et 2.10.

Il parait évident que le niveau de la liquidité est statistiquement significatif, quel que
soit le cycle économique. La variabilité de la liquidité est généralement plus importante
durant la phase de la récession. Les coefficients relatifs à la liquidité sont positifs (négatifs)
en période d’expansion (récession) du marché français, la liquidité a donc un impact positif
(négatif) sur les rendements des actifs. Ces résultats viennent étayer les travaux de Pástor
et Stambaugh, (2003)[279], Hameed et al. (2010)[164], et Anthonisz et Putnins (2014)[23]).

137
 Régression effets fixes observations/groupe= 1576
Nbre des observations = 58312 Nombre des groupes = 37
j= Roll Coefficient Ecart-type t stat P | t | [ 95% Intervalle]
Constante .0000384 .0001089 0.35 0.724 -.000175 .0002519
Illiq .0291235 .0079547 3.66 0.000 .01335324 .0447147
Rm .926763 .0048184 192.34 0.000 .9173189 .936207
j= HL Coefficient Ecart-type t stat P | t | [ 95% Intervalle]
Constante -.0010291 .0001169 -8.80 0.000 -0012583 -.0008
Illiq .064933 .0047304 13.73 0.000 .0556615 .0742045
Rm .9285055 .0048092 193.07 0.000 .9190794 .9379315
J= CS Coefficient Ecart-type t stat P | t | [ 95% Intervalle]
Constante -.0005746 .000075 -7.66 0.000 -.0007216 -.0004276
Illiq .0702384 .0036834 19.07 0.000 .0630189 .0774579
Rm .925715 .004802 192.78 0.000 .916303 .935127

Table 2.9 – Régression panel A entre les rendements et la liquidité sur les périodes de crois-
sance.

Régression effets fixes observations/groupe = 1173

Nbr observations = 43401 Nombre des groupes = 37
j = Roll Coefficient Ecart-type t stat P | t | [ 95% Intervalle]
Constante .0017606 .0003462 5.09 0.000 .0010579 .0024634
LIQ -.1579871 .020761 3.66-7.61 0.000 -.200134 -.1158399
Rm .9966265 .004710 211.60 0.000 .987394 1.005858
j = HL Coefficient Ecart-type t stat P | t | [ 95% Intervalle]
Constante .0008407 .0001638 5.13 0.000 .0005198 .0011617
LIQ -.0247526 .0047095 -5.26 0.000 -.0339832 -.0155219
Rm .9940354 .0047338 209.99 0.000 .9847572 1.003314
j = CS Coefficient Ecart-type t stat P | t | [ 95% Intervalle]
Constante .0003525 .0003045 1.16 0.255 -.0002657 .0009707
LIQ -.0592444 .0146392 -4.05 0.000 -.0889635 -.0295253
Rm .9964614 .0047135 211.41 0.000 .9872228 1.0057

Table 2.10 – Régression panel B entre les rendements et la liquidité sur les périodes de
récession.

Plusieurs interprétations de ces résultats mitigés sont possibles : en période d’expan-

sion, les investisseur, préoccupés principalement par la rentabilité, exigent une compensa-
tion supplémentaire pour un actif moins liquide, comme le notent Amihud et Mendelson
(1986)[13]. De surplus, les investisseurs, trop confiants au regard des rendements passés,
ont tendance à augmenter leur volume de transaction. En conséquence, les actions sont
surévaluées, en particulier les actifs les moins liquides, de sorte que la liquidité a un effet
positif sur les rendements.

En revanche, en période de turbulence sur le marché, la liquidité a un impact négatif

sur les rendements. Cet impact est beaucoup plus prononcé (β = -0.15 pour la mesure

138
de Roll). En effet, les investisseur, préoccupés principalement par la liquidité, se préci-
pitent pour vendre certains de leurs actions, pour répondre à des appels de marge ou pour
déplacer leurs portefeuilles d’actions vers des titres plus liquides (les investisseurs accep-
teront un titre qui a un rendement espéré plus faible mais une liquidité plus élevée). Cette
course à la liquidité et la méfiance des investisseurs provoquent une baisse des prix des
actifs en dessous de leur valeur fondamentale. Ces résultats sont conformes avec ceux de
Acharya et Pedersen (2005)[3], Liu(2006)[240], Pastor et Stambaugh (2003)[279] et chang
et al(2010)[86] .

Dans l’ensemble, cette étude menée en utilisant les mesures de la fourchette bid-ask
comme indicateur de la liquidité attestent de l’effet de la liquidité sur les rendements.
Cependant, ces résultats montrent que l’effet du risque de liquidité sur les rendements des
actifs n’est pas identique selon que les marchés soient haussiers ou baissiers.
Il faut souligner toutefois que les effets des facteurs risque de marché et risque de liquidité
s’imbriquent parfois, ce qui peut introduire un biais dans l’estimation comme le soutient
Roll (1988)[292]. Cela nécessite une meilleure approche de la liquidité qui permet de bien
dissocier les deux facteurs de risque.

4 L’étude de la cointégration et de la causalité

Dans cette section, nous nous intéressons à la dynamique de la dépendance ainsi qu’à
la causalité entre la liquidité du marché et les rendements sur le marché boursier français
sur la période Janvier 2007- Décembre 2018. Pour ce faire, nous utilisons le modèle vecteur
autorégressif (VAR) le test de causalité de Granger. En fait, peu de travaux de recherche
ont été réalisés sur la relation de court terme et de long terme ainsi que sur le lien de
causalité entre la liquidité et les rendements, encore moins pour le cas de l’indice CAC
40.
À l’aide de la modélisation économétrique, notre objectif est de :
— identifier la relation à court et à long terme entre la liquidité et les rentabilité.
— reconnaître le lien de causalité entre la liquidité et les rendements.
En effet, connaître le sens de ce lien de causalité (si tant est qu’il existe) est primordial.
Par exemple, la liquidité peut avoir un impact sur les rendements via une prime qui corres-
pond à des coûts de transaction plus élevés (Amihud et Mendelson, 1986)[13]. Toutefois,
les rendements peuvent également influer sur le comportement futur des marchés, ce qui
peut également affecter la liquidité.

139
 Du moment que la liquidité est une notion qui mêle à la fois (i) des considérations de
coûts, (ii) des considérations de volume, et (iii) des considérations temporelles, nous utili-
sons, dans cette étude, six différentes mesures de la liquidité, pour analyser la dépendance
entre de la liquidité et les rendements de l’indice du marché français CAC40. D’une part,
la plupart des études empiriques utilisent une seule mesure de liquidité. Or, cela présente
des limites comme l’indique Hasbrouck(2005)[169], et Goyenko et al. (2009)[157]. D’autre
part, cette étude concerne la période 2007-2018 incluant les trois crises de liquidité : la
crise des Subprimes de 2008, la crise de la dette de 2011, et plus récemment la récession
de 2016. Cela permettrait d’examiner comment la liquidité oscille en période de calme et
comment la liquidité évolue en cas de chocs violents sur le marché.

La modélisation VAR a été utilisées dans de nombreuses travaux sur la liquidité. Lo et

Hall (2015)[243], par exemple, utilisent le modèle VAR pour analyser la résilience à court
terme de la liquidité sur le marché australien. Kapingura et Ikhide (2011)[208] utilisent
le modèle vectoriel à correction d’erreur (VECM) pour analyser les principaux détermi-
nants de la liquidité du marché obligataire sud-africain. Ils démontrent, via la fonction de
réponse impulsionnelle et la décomposition de la variance du VECM, que les innovations
sur l’indice de marché, le volume des transactions et la volatilité ont un impact sur la
liquidité du marché des obligations. Burton (2017)[74] utilise également le VECM pour
estimer la dynamique de la liquidité mesurée par la fourchette bid-ask.

4.1 Cadre théorique de l’analyse

4.1.1 La modélisation Vector autoregression (VAR)

La représentation VAR (Vector Autoregressive) est une généralisation des modèles au-
toregréssifs (AR) et qui permet d’étudier les interdépendances entre plusieurs variables.
Ils ont été introduits par Sims(1980)[302] comme alternative aux modèles macroécono-
métriques d’inspiration keynésienne. Dans un modèle VAR, les variables sont traitées
symétriquement de manière que chacune d’entre elles soit expliquée par ses propres va-
leurs passées et par les valeurs passées des autres variables. La principale caractéristique
de la technique VAR est qu’elle dispose d’un modèle structurel moins restrictif, dans la
mesure où elle n’impose aucune répartition a priori des variables en variables endogènes et
variables exogè[Link] modèles permettent d’analyser les effets d’une variable sur l’autre
au travers de simulations de chocs aléatoires.
La définition d’un processus VAR à k variables et p décalage (VAR(p)) est la suivante :

Yt = A0 + A1 Yt−1 + A2 Yt−2 + ... + Ap Yt−p + t (2.48)

140